ASIGNATURA : MÉTODOS ESTADISTICOS

CICLO : III
SEMESTRE ACADEMICO : 2021-2
 UNIVERSIDAD PRIVADASANJUANBAUTISTA
FACULTAD DE CIENCIAS DE LASALUD
ESCUELAPROFESIONALDEMEDICINAHUMANA
“Dr. Wilfredo ErwinGardini Tuesta”

ACREDITADAPORSINEACE
REACREDITADAINTERNACIONALMENTEPORRIEV

SESIÓN 11
REGRESIÓN LINEAL SIMPLE Y CORRELACIÓN: COEFICIENTE DE
CORRELACIÓN DE PEARSON, COEFICIENTE DE CORRELACIÓN
DE SPEARMAN.

DOCENTES RESPONSABLES DE LA ASIGNATURA

SEDE CHORRILLOS : BEJARANO BENITES HECTOR

SEDE SAN BORJA : VERA NUÑEZ GRISELDA GLADYS
FILIAL ICA : CORDOVA TELLO JOSE LUIS
FILIAL CHINCHA : PACHAS RAMOS ALLINSON

CONCEPTUAL
Diagramas de dispersión,
correlación, Coeficiente de
correlación de Pearson,
coeficiente de correlación
de Spearman, coeficiente
de determinación (R-
cuadrado) y regresión
lineal simple.
COMPETENCIAS
PROCEDIMENTAL ACTITUDINAL
Elaboración del
Calcular e interpretar el
informe de las
coeficiente de correlación, la
aplicaciones con
relación entre dos variables, y R-
cuadrado. Calcula los coeficientes datos de interés
de correlación, realiza la utilizando SPSS.
estimación de los parámetros del
modelo de regresión lineal.
Coeficiente de Correlación de Pearson
INTRODUCCIÓN
El coeficiente de correlación de Pearson es un coeficiente paramétrico,
es decir, infiere sus resultados a la población real, lo que hace
necesario que la distribución de nuestra muestra se asemeje a la
distribución real, es decir, que haya normalidad.
De manera menos formal, podemos definir el coeficiente de correlación
de Pearson como un índice que puede utilizarse para medir el grado de
relación de dos variables siempre y cuando ambas sean cuantitativas.
Coeficiente de Correlación de Pearson
Donde:

De manera análoga podemos calcular este coeficiente sobre

un estadístico muestral denotado como:
Ventajas y Desventajas del Coeficiente de Pearson

Ventajas:
El valor de coeficiente de correlación es
independiente de cualquier unidad usada
para medir variables.
Mientras mas grande es la muestra mas
exacta será la estimación.

Desventajas:
• Requiere supuestos acerca de la naturaleza
o formas de las poblaciones afectadas.
• Requiere que las dos variables hayan ido
medidas hasta un nivel cuantitativo continuo
y que la distribución de ambas sea semejante
a la de la curva normal.
Usos de Coeficiente de Correlación de Pearson

• Permite predecir el valor de una variable dado un valor determinado de la otra

variable.
• Se trata de valorar la asociación entre dos variables cuantitativas estudiando el
método conocido como correlación.
• Dicho cálculo es el primer paso para determinar la relación entre las variables.
• Consiste en la posibilidad de calcular su distribución muestral y así poder
determinar su error típico de estimación.
• Reporta un valor de correlación cercano a 0 como un indicador de que no hay
relación lineal entre 2 variables.
• Reporta un valor de correlación cercano a 1 como un indicador de que existe una
relación lineal positiva entre las 2 variables. Un valor mayor a cero que se
acerque a 1 da como resultado una mayor correlación positiva entre la
información.
Interpretación del Coeficiente R de Pearson
 Coeficiente de Correlación de Spearman

INTRODUCCIÓN
El coeficiente de correlación de Spearman es una medida de la correlación
(asociación o interdependencia) entre dos variables aleatorias continuas. Para
calcularlo los datos son ordenados y reemplazados por su respectivo orden.
El coeficiente de correlación de Spearman, al igual que el de Pearson, muestra
una asociación entre variables.
A diferencia del anterior, permite obtener un coeficiente de asociación ente
variables que no se comportan normalmente, entre variables ordinales.
Se calcula en base a una serie de rangos asignados. Tal como en Pearson, los
valores van de -1 a 1, siendo 0 el valor que indica no correlación, y los signos
indican correlación directa e inversa.
 Coeficiente de Correlación de Spearman
El estadístico ρviene dado por la expresión:

La interpretación de coeficiente de Spearman es igual que la del coeficiente de

correlación de Pearson. Oscila entre -1 y +1, indicándonos asociaciones
negativas o positivas respectivamente, 0 cero, significa no correlación pero no
independencia.
La correlación estimada entre X e Y se halla calculando el coeficiente de
correlación de Pearson para el conjunto de rangos apareados. La correlación
de Spearman puede ser calculada con la fórmula de Pearson, si antes hemos
transformado las puntuaciones en rangos.
Ventajas y Desventajas del Coeficiente de Spearman

Ventajas:
No esta afectada por los cambios en las
unidades de medida.
Al ser una técnica no paramétrica, es libre de
distribución probabilística.

Desventajas:
• Es recomendable usarlo cuando los datos
presentan valores extremos, ya que en dichos
valores afectan mucho el coeficiente de
correlación de Pearson o ante distribución no
normales.
• R no debe ser utilizado para decir algo sobre la
relación entre causa y efecto.
Diagrama de Resumen
Aplicación:
Una característica de la asociación como dela correlación es que ambas variables
son aleatorias quiere decir que la distribución no la conocemos hasta la recolección
de los datos.
En el siguiente ejemplo veremos a 100 mujeres a quien se le evaluó la hemoglobina
durante la gestación y también se evaluó el peso de su recién nacido con la
finalidad de conocer si el valor de la hemoglobina de la madre esta relacionada con
el peso del recién nacido.
Debemos entender que la asociación como la correlación son formas de relacionar,
para este ejemplo aplicaremos la correlación, aunque también podríamos
determinar la asociación para ello tendríamos que categorizar ambas variables.

Peso Recien Nacido

CATEGORIAS Peso Peso
Adecuado Normal
Bajo a b
Hemoglobina
Normal c d
Aplicación de Problema Propuesto
Ingresamos los datos al SPSS y elegimos el calculo del estadístico.
Aplicación de Problema Propuesto
Colocamos las variables al lado derecho y elegimos la opción (Coeficiente de
correlación de Pearson).
Aplicación de Problema Propuesto
Al ver los reportes observamos que la correlación de Pearson tiene un calor de
0,293 y la Sig. (Bilateral) tiene un valor de 0,003 estando por debajo de 0,01 por lo
tanto rechazamos la Ho (Nula).
Para este ejemplo se trabajo con un nivel de confianza de 99% por lo tanto el nivel
de significancia es de 0,01
Aplicación de Problema Propuesto
En el siguiente esquema se muestra los rangos de valores de coeficientes de
correlación y su interpretación tanto para Pearson y para Spearman.
Consideraciones en las Pruebas de Hipótesis
Análisis de Regresión Lineal Simple
INTRODUCCIÓN

El análisis de regresión lineal simple tiene por objetivos

1. Describir la relación lineal existente entre dos variables
cuantitativas mediante la ecuación de la recta que mejor se
ajusta a los datos.
2. Usar esta ecuación para realizar una predicción de los
valores de una variable usando la información aportada por
la otra.
Análisis de Regresión Lineal Simple
INTRODUCCIÓN
En el análisis de regresión lineal es simple cuando
intervienen sólo dos variables:
Una de ellas es llamada variable independiente y es
denotada por la letra X. La otra variable es llamada variable
dependiente, denotada por la letra Y.
Los valores de la variable dependiente son los que
deseamos predecir, usando para ello la información
aportada por la variable independiente ( X ).
Si en el análisis de regresión intervienen más de dos
variables (una dependiente y las demás independientes),
éste es llamado análisis de regresión lineal múltiple.
Análisis de Regresión Lineal Simple
En el caso de una relación lineal, el objetivo es obtener la
ecuación de la recta que mejor se ajuste a los datos (que
mejor represente la relación entre las variables).
Análisis de Regresión Lineal Simple

¿Cómo obtener la recta de regresión de Y sobre X usando

el SPSS?

En el cuadro de diálogo “ Regresión lineal ” :

Seleccionar la variable dependiente y la variable
independiente, recordando que la variable dependiente es
aquella cuyos valores deseamos predecir.
Hacer clic en el botón “ Aceptar “.
Análisis de Regresión Lineal Simple
Para construir la ecuación de la recta de regresión lineal
simple sólo es necesario observar los valores mostrados en
el cuadro “Coeficientes”.
Análisis de Regresión Lineal Simple

Interpretación del coeficiente de regresión lineal.

 Si B > 0 entonces la relación lineal es positiva y el valor absoluto de

B representa el número de unidades que tiende a aumentar la
variable Y por cada unidad que aumenta la variable X.
 Si B < 0 entonces la relación lineal es negativa y el valor absoluto de
B representa el número de unidades que tiende a disminuir la
variable Y por cada unidad que aumenta la variable X.
 Si B = 0 entonces la ecuación de regresión lineal no es el modelo
más adecuado para describir la relación entre las variables
involucradas. En este caso, la media aritmética es la mejor predicción
de la variable dependiente para cualquier valor de la variable
independiente.
Análisis de Regresión Lineal Simple
Interpretación de la constante de regresión lineal
La constante de regresión indica el valor correspondiente a la variable
dependiente cuando la variable independiente asume un valor igual a
cero.
Se debe tener cuidado al interpretar la constante de regresión de la
ecuación pues en ocasiones ésta no tiene sentido.
Análisis de Regresión Lineal Simple

Consideraciones al utilizar la regresión lineal para la predicción:

Linealidad: Para usar de una manera eficiente el análisis de regresión

con la finalidad de predecir, se exige que la relación entre las variables
sea lineal.
Si se va a utilizar los datos de un grupo de sujetos para hacer
predicciones sobre otro grupo de sujetos, es importante que el grupo de
cálculo básico sea representativo del grupo de predicción.
La ecuación de la recta de predicción se utiliza de manera adecuada,
sólo para el rango de la variable en la cual se basa.
Ajuste de un Modelo de Regresión Lineal Simple
Ajustamos un modelo de regresión lineal simple para explicar la acidez total
(AcTot) frente a la acidez libre (AcLib).

Obtenemos la tabla siguiente tabla de coeficientes:

Que nos lleva a que la recta ajustada es la siguiente:

Porcentaje de Variabilidad Explicado
Veamos qué porcentaje de variabilidad de la acidez total queda explicada por la
acidez libre.

Dentro del procedimiento anterior el SPSS nos da la siguiente tabla de resumen:

Vemos que la acidez libre nos explica el 92,2% de la variabilidad de la acidez

total.
¿Es adecuado este modelo para ajustar los datos?
El modelo es adecuado si podemos afirmar que existe dependencia lineal entre
las dos variables.

De la tabla de los coeficientes vemos que b= 0.990 es distinto de cero por lo que
parece que hay una relación lineal. Además es positivo por lo que la relación es
directa.

Sin embargo no sabemos si ese coeficiente es significativamente distinto de

cero. Para comprobarlo debemos realizar el contraste de regresión.

En este caso este contraste equivale a contrastar que el coeficiente de

correlación poblacional es significativamente distinto de cero.
¿Es adecuado este modelo para ajustar los datos?
Dentro del procedimiento anterior el SPSS nos da la siguiente tabla :

El valor de F =759,928 tiene un P_valor igual a 0 < 0,05 por lo que rechazamos la
hipótesis nula y concluimos que la dependencia lineal es estadísticamente
significativa. Por lo tanto el modelo es adecuado.
Consideraciones en las Pruebas de Hipótesis
DESARROLLAR
LA PRACTICA 11.